相对于经典的采用逐点检测与复原方式实现的开关型随机脉冲噪声(Random-Valued Impulse Noise,RVIN)降噪算法,基于深度卷积神经网络构建的非开关型RVIN降噪模型在降噪效果和执行效率上均有显著优势,但也存在着固有的数据依赖缺陷,不能在降噪效果和易用性两个方面同时获得最佳性能.为此,以DnCNN(Denoising Convolutional Neural Network)深度降噪网络模型架构为设计基础,提出了一种新的用于去除RVIN噪声的两阶段盲卷积降噪(Two-stage Blind Convolutional Denoising,TBCD)模型.在第一阶段,针对给定的受0~90%范围内某个比例RVIN噪声干扰的噪声图像,利用DnCNN-B(DnCNN for Blind Denoising Task)盲降噪模型完成初步降噪.同时,利用噪声检测模型预测出噪声图像相应的噪声标签,然后将噪声图像与噪声标签矩阵按位相乘生成稀疏采样图像(Sparse Sampling Image,SSI).在第二阶段,为了进一步提高DnCNN-B盲降噪模型所复原的初步降噪图像的质量,将其与SSI图像连接(concatenate)后再次输入到预先训练好的双通道图像质量提升模型中获得残差图像,之后将初步降噪图像减去残差图像得到最终的降噪图像.与现有的开关型RV I N降噪算法相比,所提出的非开关型TBCD模型在各种噪声比例条件下获得的峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)指标平均值能高出5~8 dB,展现出深度降噪网络模型的显著优势.而与盲降噪版的DnCNN-B和非盲降噪版的DnCNN-S(DnCNN with Known Specific Noise Ratio)两个深度降噪模型相比,TBCD模型复原图像的PSNR平均值比DnCNN-B高0.5 dB,仅比理想实现条件下(需给定准确的噪声比例值并调用专门训练的降噪模型)的DnCNN-S模型低0.3dB.这表明采用两阶段策略实现的TBCD盲卷积降噪模型在降噪效果和易用性两个方面都获得了最佳性能,很好地解决了深度RV I N降噪模型所存在的数据依赖问题.